一种电力作业工序识别方法及系统与流程

本发明涉及电网作业，尤其涉及一种电力作业工序识别方法及系统。

背景技术：

1、电网作业作为保障电网安全可靠运行的重要举措，是在高空、高压等环境下开展作业，由于电网作业时存在较多风险，因此会制定了一系列作业安全风险管控规定，明确了各类作业风险的管控要求和细则。然而，在行相关安全风险管控要求时，仍存在作业人员对作业风险的辨识和管控能力不足，无法准确辨识作业的风险点，导致安全事故发生。

技术实现思路

1、为了解决上述技术问题，本发明实施例提供了一种电力作业工序识别方法及系统，实现了对电力作业对应工序的自动识别，从而可以根据工序得到该工序的风险点，提高了电力作业风险管控效率。

2、本发明实施例的第一方面提供了一种电力作业工序识别方法，所述方法包括：

3、获取电网作业数据，并对电网作业数据进行分类处理，得到连续型数据、离散型数据和文本型数据；

4、将连续型数据、离散型数据和文本型数据进行特征拼接，得到作业特征矩阵，对作业特征矩阵加入场景变量，利用随机森林算法构建的多个决策树分别对加入场景变量后的作业特征矩阵进行预测，得到预测输出；

5、将预测输出输入作业工序识别模型中，以使作业工序识别模型利用卷积层对预测输出进行卷积操作，得到卷积后的数据，利用全连接层对卷积后的数据进行分类后，输出工序识别结果。

6、在第一方面的一种可能的实现方式中，将连续型数据、离散型数据和文本型数据进行特征拼接，得到作业特征矩阵，包括：

7、对连续型数据、离散型数据和文本型数据设置对应的维度权重，得到新的连续型数据、新的离散型数据和新的文本型数据；

8、将新的连续型数据、新的离散型数据和新的文本型数据的矩阵行数分别调整为预设行数，得到对应的作业矩阵，将各个作业矩阵进行横向拼接，得到作业特征矩阵。

9、在第一方面的一种可能的实现方式中，利用随机森林算法构建的多个决策树分别对加入场景变量后的作业特征矩阵进行预测，得到预测输出，包括：

10、通过随机森林算法构建的多个决策树分别对加入场景变量后的作业特征矩阵进行预测，得到第一预测结果、第二预测结果和第三预测结果；

11、计算第一预测结果、第二预测结果和第三预测结果的平均值，得到预测输出。

12、在第一方面的一种可能的实现方式中，作业工序识别模型通过利用电网作业样本数据进行训练得到的，训练过程为：

13、获取电网作业样本数据，并对电网作业样本数据进行分类处理，得到连续型样本数据、离散型样本数据和文本型样本数据；

14、利用弱监督标注方法对连续型样本数据、离散型样本数据和文本型样本数据对应的工序进行标注，得到样本聚合标注结果；

15、将连续型样本数据、离散型样本数据和文本型样本数据进行特征拼接，得到样本特征矩阵，对样本特征矩阵加入场景变量，利用随机森林算法构建的多个决策树分别对加入场景变量后的样本特征矩阵进行预测，得到样本输出；

16、将样本输出和样本聚合标注结果输入深度神经网络模型中，以使深度神经网络模型利用卷积层对预测输出进行卷积操作，得到卷积后的样本数据，利用全连接层对卷积后的样本数据进行处理后，输出识别结果；

17、根据识别结果，利用交叉熵损失函数计算得到损失值，根据损失值对深度神经网络模型的参数进行更新，并返回使用下一个电网作业样本数据对更新后的深度神经网络模型进行训练，直到达到结束条件停止训练得到训练好的深度神经网络模型，其中，交叉熵损失函数的表达式为：

18、

19、式中，为电网作业样本数据的数量，是类别数，是第个电网作业样本数据的真实标签，是第个电网作业样本数据预测为第类的概率。

20、在第一方面的一种可能的实现方式中，利用弱监督标注方法对连续型样本数据、离散型样本数据和文本型样本数据对应的工序进行标注，得到样本聚合标注结果，包括：

21、根据连续型样本数据、离散型样本数据和文本型样本数据的特征定义标注函数，利用标注函数对连续型样本数据、离散型样本数据和文本型样本数据进行标注，得到标注矩阵；

22、将标注矩阵进行聚合，得到样本聚合标注结果。

23、本发明实施例的第二方面提供了一种电力作业工序识别系统，系统包括获取模块、预测模块和识别模块，

24、其中，获取模块用于获取电网作业数据，并对电网作业数据进行分类处理，得到连续型数据、离散型数据和文本型数据；

25、预测模块用于将连续型数据、离散型数据和文本型数据进行特征拼接，得到作业特征矩阵，对作业特征矩阵加入场景变量，利用随机森林算法构建的多个决策树分别对加入场景变量后的作业特征矩阵进行预测，得到预测输出；

26、识别模块用于将预测输出输入作业工序识别模型中，以使作业工序识别模型利用卷积层对预测输出进行卷积操作，得到卷积后的数据，利用全连接层对卷积后的数据进行分类后，输出工序识别结果。

27、在第二方面的一种可能的实现方式中，预测模块包括计算单元和调整单元，

28、其中，计算单元用于对连续型数据、离散型数据和文本型数据设置对应的维度权重，得到新的连续型数据、新的离散型数据和新的文本型数据；

29、调整单元用于将新的连续型数据、新的离散型数据和新的文本型数据的矩阵行数分别调整为预设行数，得到对应的作业矩阵，将各个作业矩阵进行横向拼接，得到作业特征矩阵。

30、在第二方面的一种可能的实现方式中，预测模块还包括特征矩阵预测单元和平均值计算单元，

31、其中，特征矩阵预测单元用于通过随机森林算法构建的多个决策树分别对加入场景变量后的作业特征矩阵进行预测，得到第一预测结果、第二预测结果和第三预测结果；

32、平均值计算单元用于计算第一预测结果、第二预测结果和第三预测结果的平均值，得到预测输出。

33、本发明实施例的第三方面提供了一种计算机设备，包括：

34、存储器，用于存储计算机程序；

35、处理器，用于执行所述计算机程序时实现如第一方面的电力作业工序识别方法。

36、本发明实施例的第四方面提供了一种存储介质，存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面的电力作业工序识别方法的步骤。

37、本发明实施例提供的电力作业工序识别方法，通过获取电网作业数据，并对电网作业数据进行分类处理，得到连续型数据、离散型数据和文本型数据；将连续型数据、离散型数据和文本型数据进行特征拼接，得到作业特征矩阵，对作业特征矩阵加入场景变量，利用随机森林算法构建的多个决策树分别对加入场景变量后的作业特征矩阵进行预测，得到预测输出；将预测输出输入作业工序识别模型中，以使作业工序识别模型利用卷积层对预测输出进行卷积操作，得到卷积后的数据，利用全连接层对卷积后的数据进行分类后，输出工序识别结果。通过上述方法，实现了对电力作业对应工序的自动识别，从而可以根据工序得到该工序的风险点，提高了电力作业风险管控效率。